NEXUS：面向安全鲁棒具身规划的符号约束持续学习
人工智能
2026-05-12 v1 机器人学
摘要
尽管大型语言模型（LLM）推动了具身智能的进步，但其固有的概率不确定性与物理世界所要求的严格确定性和可验证安全性之间存在着根本差距。为了缓解这一差距，本文引入了 NEXUS，这是一个为具身智能体持续学习而设计的模块化框架。与以往将符号产物仅视为静态接口的工作不同，NEXUS 利用它们进行符号基础化和知识演化。该框架明确地将物理可行性与安全规范解耦：通过闭环执行反馈提升智能体的能力，同时将概率风险评估基础化为确定性硬约束，以建立严格的动作前防御。在 SafeAgentBench 上的实验表明，NEXUS 实现了卓越的任务成功率，同时有效拒绝了不安全指令，展现出对对抗攻击的鲁棒防御，并通过知识积累逐步提高了规划效率。
引用
@article{arxiv.2605.09387,
title = {NEXUS: Continual Learning of Symbolic Constraints for Safe and Robust Embodied Planning},
author = {Tiehan Cui and Peipei Liu and Yanxu Mao and Congying Liu and Mingzhe Xing and Datao You},
journal= {arXiv preprint arXiv:2605.09387},
year = {2026}
}